解决BeautifulSoup从<th>提取表头时混入BS4标签的问题

你的代码核心问题是最后往列表里添加的是原始的元素对象（变量i），而不是函数处理后得到的表头字符串（变量name），这才导致列表里混入了BS4标签。

修正后的代码 #

column_names = []

def extract_column_from_header(row):
    # 批量移除不需要的子标签
    for tag in row.find_all(['br', 'a', 'sup']):
        tag.extract()
    
    # 提取并格式化文本，比拼接contents更可靠
    column_name = row.get_text(strip=True, separator=' ')

    if not column_name.strip().isdigit():
        return column_name.strip()    

# 遍历所有<th>元素
for th in first_launch_table.find_all('th'):
    name = extract_column_from_header(th) 
    if name and len(name) > 0:
        column_names.append(name)  # 改为添加处理好的文本，而非原始<th>元素

关键修改点 #

• 核心修正：将column_names.append(i)改为column_names.append(name)，确保存入列表的是处理后的纯文本字符串
• 优化标签移除逻辑：用find_all批量处理指定标签，代码更简洁
• 优化文本提取：改用row.get_text()方法，自动处理多余空格和嵌套文本，比手动拼接contents更稳定

内容的提问来源于stack exchange，提问作者dls2235